New SCALER framework boosts LLM time series forecasting efficiency

研究人员开发了一个名为 SCALER 的新框架，旨在提高基于大型语言模型 (LLM) 的时间序列预测效率。该方法首先使用一个轻量级 Transformer 来预测未来趋势的整体形状，然后指导 LLM 进行一个粗粒度到细粒度的迭代优化过程。通过减少每一步处理的 token 数量并避免昂贵的基于奖励模型的选择，SCALER 在提高各种预测场景准确性的同时，显著降低了推理成本。 AI

影响 降低了基于 LLM 的时间序列预测的计算成本，可能促进这些先进技术的更广泛应用。

排序理由 该条目是一篇研究论文，详细介绍了一种新的基于 LLM 的时间序列预测方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• LLM
• SCALER
• ScienceCast
• Transformer++

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →